論文の概要: ECG Classification with a Convolutional Recurrent Neural Network

• arxiv url: http://arxiv.org/abs/2009.13320v2
• Date: Tue, 6 Oct 2020 13:21:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-13 22:33:43.289998
• Title: ECG Classification with a Convolutional Recurrent Neural Network
• Title（参考訳）: 畳み込み型リカレントニューラルネットワークによる心電図分類
• Authors: Halla Sigurthorsdottir, J\'er\^ome Van Zaen, Ricard Delgado-Gonzalo, Mathieu Lemay
• Abstract要約: 我々は、Pink Irish Hatチームとして、PhyloNet/Computer in Cardiology 2020の課題に対して、12リードのECG信号を分類する畳み込みリカレントネットワークを開発した。 モデルは畳み込み層と繰り返し層を結合し、ECG信号のスライディングウィンドウを入力とし、各クラスの確率を出力とする。 我々のネットワークは、隠れ検証セットで0.511点、全隠れテストセットで0.167点を達成し、公式ランキングで41点中23位にランクインした。
• 参考スコア（独自算出の注目度）: 0.13903116275861838
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We developed a convolutional recurrent neural network to classify 12-lead ECG signals for the challenge of PhysioNet/ Computing in Cardiology 2020 as team Pink Irish Hat. The model combines convolutional and recurrent layers, takes sliding windows of ECG signals as input and yields the probability of each class as output. The convolutional part extracts features from each sliding window. The bi-directional gated recurrent unit (GRU) layer and an attention layer aggregate these features from all windows into a single feature vector. Finally, a dense layer outputs class probabilities. The final decision is made using test time augmentation (TTA) and an optimized decision threshold. Several hyperparameters of our architecture were optimized, the most important of which turned out to be the choice of optimizer and the number of filters per convolutional layer. Our network achieved a challenge score of 0.511 on the hidden validation set and 0.167 on the full hidden test set, ranking us 23rd out of 41 in the official ranking.
• Abstract（参考訳）: 我々は、Pink Irish Hatチームとして、PhyloNet/Computer in Cardiology 2020の課題に対して、12リードのECG信号を分類する畳み込みリカレントニューラルネットワークを開発した。 モデルは畳み込み層と繰り返し層を結合し、ECG信号のスライディングウィンドウを入力とし、各クラスの確率を出力とする。 畳み込み部は、各スライドウィンドウから特徴を抽出する。 双方向ゲートリカレントユニット(GRU)層とアテンション層は、これらの特徴を全てのウィンドウから単一の特徴ベクトルに集約する。 最後に、密度層はクラス確率を出力する。 最後に、テスト時間拡張(TTA)と最適化された決定しきい値を用いて決定する。 私たちのアーキテクチャのいくつかのハイパーパラメータは最適化されましたが、最も重要なのはオプティマイザの選択と畳み込み層ごとのフィルタ数でした。 我々のネットワークは、隠れ検証セットで0.511点、全隠れテストセットで0.167点を達成し、公式ランキングで41点中23位にランクインした。

関連論文リスト

• MSW-Transformer: Multi-Scale Shifted Windows Transformer Networks for 12-Lead ECG Classification [6.353064734475176]
  マルチウィンドウスライディングアテンション機構を用いて,異なる次元の特徴を捉える単一層トランスフォーマーネットワークを提案する。 学習可能な特徴融合法が提案され、異なるウィンドウの機能を統合してモデル性能をさらに向上する。 提案手法は, PTBXL-2020 12-lead ECGデータセットの5つの分類課題に対して, 最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-06-21T08:27:26Z)
• Globally Optimal Training of Neural Networks with Threshold Activation Functions [63.03759813952481]
  しきい値アクティベートを伴うディープニューラルネットワークの重み劣化正規化学習問題について検討した。 ネットワークの特定の層でデータセットを破砕できる場合に、簡易な凸最適化の定式化を導出する。
  論文  参考訳（メタデータ） (2023-03-06T18:59:13Z)
• Do We Really Need a Learnable Classifier at the End of Deep Neural Network? [118.18554882199676]
  本研究では、ニューラルネットワークを学習して分類器をランダムにETFとして分類し、訓練中に固定する可能性について検討する。 実験結果から,バランスの取れたデータセットの画像分類において,同様の性能が得られることがわかった。
  論文  参考訳（メタデータ） (2022-03-17T04:34:28Z)
• Optimization of Residual Convolutional Neural Network for Electrocardiogram Classification [0.9281671380673306]
  本稿では,2段階のリカレント1次元畳み込みニューラルネットワークモデル(R-1D-CNN)を提案する。 第1段階では、残留畳み込み層と1次元畳み込みニューラルネットワーク層をトレーニングし、患者固有の心電図の特徴を学習する。 2番目のレベルは自動であり、提案アルゴリズムに基づくBOに基づいている。
  論文  参考訳（メタデータ） (2021-12-11T16:52:23Z)
• Non-Gradient Manifold Neural Network [79.44066256794187]
  ディープニューラルネットワーク(DNN)は通常、勾配降下による最適化に数千のイテレーションを要します。 非次最適化に基づく新しい多様体ニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-06-15T06:39:13Z)
• Implementing a foveal-pit inspired filter in a Spiking Convolutional Neural Network: a preliminary study [0.0]
  我々は,網膜卵管刺激によるガウスフィルタとランク順符号化の差異を取り入れたスポーキング畳み込みニューラルネットワーク(SCNN)を提示した。 このモデルは、Nengoライブラリーで実装されているように、スパイキングニューロンで動作するように適応されたバックプロパゲーションアルゴリズムの変種を用いて訓練される。 ネットワークは最大90%の精度で達成され、損失はクロスエントロピー関数を用いて計算される。
  論文  参考訳（メタデータ） (2021-05-29T15:28:30Z)
• Self Sparse Generative Adversarial Networks [73.590634413751]
  GAN(Generative Adversarial Networks)は、敵対的トレーニングを通じてデータ分布を学習する監視されていない生成モデルである。 本論文では,パラメータ空間を小さくし,ゼロ勾配問題を軽減するSelf Sparse Generative Adversarial Network (Self-Sparse GAN)を提案する。
  論文  参考訳（メタデータ） (2021-01-26T04:49:12Z)
• Multilabel 12-Lead Electrocardiogram Classification Using Gradient Boosting Tree Ensemble [64.29529357862955]
  我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。 各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。 各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
  論文  参考訳（メタデータ） (2020-10-21T18:11:36Z)
• Combining Scatter Transform and Deep Neural Networks for Multilabel Electrocardiogram Signal Classification [0.6117371161379209]
  我々は、深い残留ニューラルネットワーク(ResNet)に、散乱変換と呼ばれる複素ウェーブレット変換の変種を組み込む。 このアプローチでは、挑戦検証スコアが0.640、完全テストスコアが0.485となり、公式ランキングで41中4位になった。
  論文  参考訳（メタデータ） (2020-10-15T10:13:31Z)
• DHP: Differentiable Meta Pruning via HyperNetworks [158.69345612783198]
  本稿では,ネットワークの自動プルーニングのためのハイパーネットによる識別可能なプルーニング手法を提案する。 遅延ベクトルは、バックボーンネットワーク内の畳み込み層の出力チャネルを制御し、レイヤのプルーニングのハンドルとして機能する。 画像分類、単一画像超解像、復調のための様々なネットワークで実験が行われた。
  論文  参考訳（メタデータ） (2020-03-30T17:59:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。